python - 多处理。池 : How to start new processes as old ones finish?

Question

我正在使用多处理池来管理 tesseract 进程(缩微胶片的 OCRing 页)。通常在一个包含 20 个 tesseract 进程的池中，一些页面将更难进行 OCR，因此这些进程比其他进程花费的时间长得多。与此同时，池只是挂起，大部分 CPU 都没有被利用。我希望留下这些散乱者继续，但我也想启动更多进程来填充许多其他 CPU，这些 CPU 现在处于空闲状态，而这几个粘性页面正在完成。我的问题:有没有办法加载新进程来利用那些闲置的 CPU。换句话说，是否可以在等待整个池完成之前填充池中的空位？

我可以使用 starmap 的异步版本，然后在当前池减少到一定数量的事件进程时加载一个新池。但这似乎不雅。根据需要自动保持在流程中的插槽会更优雅。

这是我的代码现在的样子:

def getMpBatchMap(fileList, commandTemplate, concurrentProcesses):
    mpBatchMap = []
    for i in range(concurrentProcesses):
        fileName = fileList.readline()
        if fileName:
            mpBatchMap.append((fileName, commandTemplate))
    return mpBatchMap

def executeSystemProcesses(objFileName, commandTemplate):
    objFileName = objFileName.strip()
    logging.debug(objFileName)
    objDirName = os.path.dirname(objFileName)
    command = commandTemplate.substitute(objFileName=objFileName, objDirName=objDirName)
    logging.debug(command)
    subprocess.call(command, shell=True)

def process(FILE_LIST_FILENAME, commandTemplateString, concurrentProcesses=3):
    """Go through the list of files and run the provided command against them,
    one at a time. Template string maps the terms $objFileName and $objDirName.

    Example:
    >>> runBatchProcess('convert -scale 256 "$objFileName" "$objDirName/TN.jpg"')
    """
    commandTemplate = Template(commandTemplateString)
    with open(FILE_LIST_FILENAME) as fileList:
        while 1:
            # Get a batch of x files to process
            mpBatchMap = getMpBatchMap(fileList, commandTemplate, concurrentProcesses)
            # Process them
            logging.debug('Starting MP batch of %i' % len(mpBatchMap))
            if mpBatchMap:
                with Pool(concurrentProcesses) as p:
                    poolResult = p.starmap(executeSystemProcesses, mpBatchMap)
                    logging.debug('Pool result: %s' % str(poolResult))
            else:
                break

Answer 1

你在这里混淆了一些东西。该池始终保持一定数量的指定进程处于事件状态。只要您不关闭池，无论是手动关闭还是通过离开上下文管理器的 with-block，您都不需要用进程重新填充池，因为它们不会去任何地方。

您可能想说的是“任务”，这些进程可以处理的任务。任务是您传递给池方法的可迭代对象的每个进程 block 。是的，有一种方法可以使用池中的空闲进程处理新任务，在所有先前排队的任务都已处理完之前。您已经为此选择了正确的工具，即池方法的异步版本。您所要做的就是重新应用某种异步池方法。

from multiprocessing import Pool
import os

def busy_foo(x):
    x = int(x)
    for _ in range(x):
        x - 1
    print(os.getpid(), ' returning: ', x)
    return x

if __name__ == '__main__':

    arguments1 = zip([222e6, 22e6] * 2)
    arguments2 = zip([111e6, 11e6] * 2)

    with Pool(4) as pool:

        results = pool.starmap_async(busy_foo, arguments1)
        results2 = pool.starmap_async(busy_foo, arguments2)

        print(results.get())
        print(results2.get())

示例输出:

3182  returning:  22000000
3185  returning:  22000000
3185  returning:  11000000
3182  returning:  111000000
3182  returning:  11000000
3185  returning:  111000000
3181  returning:  222000000
3184  returning:  222000000
[222000000, 22000000, 222000000, 22000000]
[111000000, 11000000, 111000000, 11000000]

Process finished with exit code 0

请注意，以较简单的任务结束的进程 3182 和 3185 会立即从第二个参数列表中的任务开始，而无需等待 3181 和 3184 首先完成。

如果出于某种原因，您真的想在每个进程处理一定数量的任务后使用新进程，可以使用 Pool 的 maxtasksperchild 参数。在那里你可以指定在多少任务之后池应该用新的进程替换旧的进程。此参数的默认值为 None，因此默认情况下 Pool 不会替换进程。